論文の概要: Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules
- arxiv url: http://arxiv.org/abs/2404.12215v1
- Date: Thu, 18 Apr 2024 14:20:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-19 19:11:44.539527
- Title: Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules
- Title(参考訳): 良好なスコーリング規則による動脈硬化とてんかんの不確かさの定量化
- Authors: Paul Hofman, Yusuf Sale, Eyke Hüllermeier,
- Abstract要約: 不確実性表現と定量化は機械学習において最重要である。
本稿では,適切なスコアリングルールに基づいて,アレータリックおよび(現状)不確実性の定量化のための尺度を提案する。
- 参考スコア(独自算出の注目度): 19.221081896134567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty representation and quantification are paramount in machine learning and constitute an important prerequisite for safety-critical applications. In this paper, we propose novel measures for the quantification of aleatoric and epistemic uncertainty based on proper scoring rules, which are loss functions with the meaningful property that they incentivize the learner to predict ground-truth (conditional) probabilities. We assume two common representations of (epistemic) uncertainty, namely, in terms of a credal set, i.e. a set of probability distributions, or a second-order distribution, i.e., a distribution over probability distributions. Our framework establishes a natural bridge between these representations. We provide a formal justification of our approach and introduce new measures of epistemic and aleatoric uncertainty as concrete instantiations.
- Abstract(参考訳): 不確実性表現と定量化は機械学習において最重要であり、安全クリティカルなアプリケーションにとって重要な前提条件となっている。
本稿では, 学習者に対して, 条件付き確率の予測を動機付ける意味のある特性を持つ損失関数である, 適切なスコアリングルールに基づく, アレタリックおよびエピステミック不確実性の定量化のための新しい尺度を提案する。
我々は、不確実性の2つの一般的な表現、すなわち、クレダル集合、すなわち確率分布の集合または2階分布、すなわち確率分布の上の分布を仮定する。
我々の枠組みはこれらの表現の間に自然な橋渡しを確立する。
我々は,本手法の正式な正当性を提供し,具体的インスタンス化として,てんかんおよびアレタリック不確実性の新しい尺度を導入する。
関連論文リスト
- Predictive Uncertainty Quantification via Risk Decompositions for
Strictly Proper Scoring Rules [8.334458709669125]
統計的推論に根ざした一般的な枠組みを導入し、新しい不確実性対策を作成し、それらの相互関係を明らかにする。
この枠組みにベイズ的推論を組み込むことを提案し、提案した近似の性質について議論する。
論文 参考訳(メタデータ) (2024-02-16T14:40:22Z) - Conformalized Credal Set Predictors [12.549746646074071]
クレダル集合(英: Credal set)は、不正確な基底-真実分布の候補と見なされる確率分布の集合である。
我々は,干潟集合予測器の学習に共形予測を利用する。
提案手法の自然言語推論への適用性を実証する。
論文 参考訳(メタデータ) (2024-02-16T14:30:12Z) - Second-Order Uncertainty Quantification: A Distance-Based Approach [11.539320505465149]
本稿では,2次分布に基づく予測不確実性に対する有意義な不確実性尺度が従うべきという形式的基準を提案する。
これらの基準を考慮に入れた不確実性対策を開発するための一般的な枠組みを提供し、ワッサーシュタイン距離に基づくインスタンス化を提供する。
論文 参考訳(メタデータ) (2023-12-02T01:21:41Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - Model-free generalized fiducial inference [0.0]
本稿では,不正確な確率的予測推定のためのモデルフリー統計フレームワークの提案と開発を行う。
このフレームワークは、タイプ1エラーの有限サンプル制御を提供する予測セットの形式での不確実性定量化を促進する。
モデルフリー不正確なフレームワークに対する正確な確率近似の理論的および経験的特性について考察する。
論文 参考訳(メタデータ) (2023-07-24T01:58:48Z) - DiffLoad: Uncertainty Quantification in Load Forecasting with Diffusion
Model [22.428737156882708]
再生可能エネルギー源の統合と、新型コロナウイルスのパンデミックなどの外部イベントの発生により、負荷予測の不確実性が急速に高まっている。
本稿では, エピステミック不確かさを推定するための拡散型Seq2Seq構造を提案し, 強靭性付加コーシー分布を用いてアレタリック不確かさを推定する。
論文 参考訳(メタデータ) (2023-05-31T05:04:50Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳(メタデータ) (2021-11-22T08:54:10Z) - Distribution-free uncertainty quantification for classification under
label shift [105.27463615756733]
2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。
まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。
これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
論文 参考訳(メタデータ) (2021-03-04T20:51:03Z) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳(メタデータ) (2021-02-16T23:50:35Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳(メタデータ) (2020-07-08T11:35:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。